即取即用的 AI-Ready 医疗数据集库

千方医数集致力于为医疗 AI 研究人员找到合适的数据集，让你的 AI 感知模型能够更快地学习、更准确地运行，并无缝适应现实世界的环境。

医学影像 AI-Ready 数据集

CT MRI 病理 X光

电子病历与文本数据集

电子病历病历文本

病灶分割与标注数据集

病灶分割数据标注

按任务类型浏览

图像分类目标检测语义分割

共 785 个数据集

医疗NLP医学问答与基准临床文本医学考试评测基准

MedS-Ins — 面向医学大模型的大规模指令微调语料：58 个语料库、500 万实例、1.9 万条指令

指令微调文本语料知识库未披露（数据集为指令-实例对语料，非患者级队列；官方口径 500 万实例（instances）/ 1.9 万条指令（instructions），据此可复核）

上海交通大学与上海 AI Lab 联合中国移动发布的首个全面医学指令微调数据集（与 MedS-Bench 基准、MMedIns-Llama 3 模型成对发布）——整合 58 个生物医学语料库，覆盖考试、临床文本、学术论文、医学知识库、日常对话五大来源共 122 项任务；现行口径计 500 万实例 + 1.9 万条指令（v1 论文因「指令与实例组合各计一样本」曾计 13.5M，双口径详见表），仓库许可 CC BY-SA、论文版权 CC BY 4.0，HuggingFace 公开约 7.58 GB

58 个医学生物语料库（exams 考试 / clinical texts 临床文本 / academic papers 学术论文 / medical knowledge bases 医学知识库 / daily conversations 日常对话五大域）经 Super-NaturalInstructions 式模板重组的 122 项任务指令-实例对；HF 公开约 7.58 GB 21

医学影像病理图像多模态影像-文本对齐肿瘤学

PatchGastricADC22 — 胃腺癌活检 WSI 图文对 patch 数据集

影像数据文本数据原始数据991 名患者的 991 张 H&E 胃腺癌内镜活检 WSI（患者与切片一一对应）

Medmain Research 从 IUHW 三田医院 991 张胃腺癌内镜活检 H&E 全切片抽取 262,777 张 300×300 patch，每张切片配对一条诊断报告级 caption——病理图文配对与报告自动生成任务的 CC-BY-4.0 公开基准

International University of Health and Welfare (IUHW) 三田医院（东京）外科病理档案的 H&E 胃腺癌内镜活检 WSI（x10/x20 数字化）+ 提取自常规诊断报告并译为英文的 WSI 级 caption；官方分发：Zenodo patches_captions.zip（7.2 GB）+ captions.csv（264.5 kB） 22

病理图像医学图像分割图像分类肿瘤学医学问答与基准

Prov-GigaPath — 微软与 Providence 的 13 亿图块全片病理基础模型

影像数据原始数据公开评测逾 30,000 名患者（171,189 张 WSI，覆盖 31 大组织类型、28 个肿瘤中心；患者级精确数未逐一披露）

基于 Providence 医疗系统 171,189 张全片病理图像、13.8 亿个 256×256 图块预训练的全片病理基础模型，以 LongNet 超长上下文建模整张 gigapixel 切片，26 项数字病理任务中 25 项达 SOTA——权重公开却受 gated 条款约束、官方明确 research-only 禁用临床与商业部署

Providence 医疗系统真实世界 H&E 与 IHC 病理全片图像（Prov-Path，171,189 张 WSI / 1,384,860,229 个 256×256 图块）+ 关联病理报告、癌症分期、基因组突变谱；评测另用 TCGA 数据 21

医学影像医学图像分割目标检测病理图像评测基准

LIVECell — 无标记活细胞相差显微实例分割数据集

影像数据人工标注原始数据基准数据无患者级数据（体外 2D 细胞培养；8 种细胞系 = 7 种人源（A172/BT-474/Huh7/MCF7/SH-SY5Y/SkBr3/SK-OV-3）+ 1 种小鼠源（BV-2））；标注细胞实例

Sartorius 出品、Nature Methods 2021 发表的 5,239 张无标记相差显微图像、168 万余个逐细胞多边形标注——迄今最大规模人类—小鼠细胞系活细胞实例分割基准，用 Incucyte S3 每四小时连续成像捕捉从稀疏到汇合的全形态谱系

Sartorius Incucyte S3 Live-Cell Analysis 系统采集的 5,239 张无标记相差显微图像（原始 1,310 张 1408×1040 px，每张裁 4 张 704×520 px）+ 逐细胞 COCO 多边形实例标注明细见正文附录 §6.6 32

生理信号可穿戴传感步态与运动时序数据评测基准

SisFall — 可穿戴惯性传感跌倒检测数据集

原始数据时序数据传感器数据38 名受试者（青年组 23 人 19-30 岁 + 老年组 15 人 60-75 岁，含 60 岁参与者 SE06）

哥伦比亚安蒂奥基亚大学自研腰部佩戴设备（双加速度计+陀螺仪，200 Hz）采集 38 名受试者的 19 种日常活动与 15 种模拟跌倒共 4504 条记录，是跌倒检测领域最常被引用的公开惯性传感器基准数据集

自研腰部佩戴惯性传感设备采集的三轴加速度（ADXL345 ±16g + MMA8451Q ±8g）与三轴角速度（ITG3200 ±2000°/s）时序记录，200 Hz 采样，19 种 ADL 与 15 种模拟跌倒，每记录 9 列 txt 文本文件 45

神经科学脑影像MRI医学图像分割评测基准

Neurofeedback Skull-stripped — 脑部 MRI 颅骨剥离金标准库

影像数据人工标注原始数据125 例受试者（77 女 + 48 男，21–45 岁，均值 31、标准差 6.6）；其中 66 例有 ≥1 项当前或既往精神科诊断（SCID/DSM-IV）；每例含 T1w 原图 + 脑图 + 脑

NKI Enhanced Rockland Sample 神经反馈子研究 125 例 T1 加权 MRI 的手工校正颅骨剥离库——BEaST 自动初剥 + Freeview 逐例手修（85 例编辑）的迭代 bootstrap 工艺，无条件开放、无需数据使用协议，为脑提取算法提供金标准训练/测试数据

NKI Enhanced Rockland Sample Neurofeedback Study（NFB）第三次访问的 3T Siemens Magnetom TIM Trio 3D MPRAGE T1 加权解剖 MRI（1×1×1 mm³），经去脸匿名化后由 BEaST v1.15.00 自动初剥、Freeview 手工校正，迭代 bootstrap 形成 125 例金标准掩码（另附 NFB 定制 BEaST prior library） 32

生理信号脑电信号神经科学癫痫

Siena Scalp EEG Database — 14 例癫痫患者头皮脑电 47 次发作长程参考集

原始数据时序数据人工标注14 例癫痫患者（9 男 / 5 女，PhysioNet 摘要口径；subject_info.csv 逐行实为 8 男 / 6 女）

锡耶纳大学神经内科与神经生理学科 14 例癫痫患者视频-EEG，512 Hz、国际 10-20 导联、47 次发作 / 约 128 小时，CC BY 4.0 于 PhysioNet 公开；源自托斯卡纳 PANACEE 非侵入式发作预测项目，是成人头皮脑电发作检测与预测的经典长程数据锚点

锡耶纳大学神经内科与神经生理学科视频-EEG：14 个文件夹（PNxx）共 1-5 个 EDF 文件/例（512 Hz、国际 10-20 导联、29 或 20 通道 EEG + 1-2 路 EKG）+ Seizures-list-PNxx.txt（逐次发作起止时刻）+ subject_info.csv（性别、年龄、ILAE 分类、通道数、发作数、记录分钟） 29

生理信号脑电信号神经科学癫痫评测基准

TUH EEG Events Corpus — 天普大学脑电事件语料库，六类 EEG 事件逐通道标注基准

人工标注信号数据原始数据约 230 个 EEG 会话（社区常用口径 149 train / 83 eval，患者级互斥划分；官方页未列会话总数，见 §9.3 口径存照）

TUH EEG Corpus（TUEG）的六类事件标注子集 v2.0.1：棘波尖波/全面性周期性放电/偏侧性周期性放电/眼动/伪影/背景逐通道秒级标注，NEDC 专家生产，患者级 train/eval 官方划分，EEG 基础模型事件分类事实基准，免费注册 rsync 获取、无需 IRB 或 DUA

TUH EEG Corpus（TUEG）临床头皮 EEG 记录子集 + NEDC 专家逐通道六类事件标注（.rec/.lab 双格式，1 秒标注窗） 37

医学问答与基准医学问答评测基准医疗NLP临床文本公共卫生与流行病学

HealthBench — OpenAI 医疗对话评测基准

文本数据人工标注基准数据不适用（非患者级数据；5,000 段构造/采集并脱敏的开放式健康对话，含个体用户与医护人员两类 persona）

262 位执业于 60 国的医生手写 48,562 条 rubric 标准，为 5,000 段多轮健康对话逐题打分——OpenAI 用「医生出题、模型评分」把医疗 LLM 评测从选择题推向开放式临床对话，MIT 许可全量公开

5,000 段多轮健康对话（个体用户 ⇄ 模型 / 医护人员 ⇄ 模型）+ 48,562 条对话专属医生撰写 rubric 评分标准；变体 Consensus 3,671 例 / Hard 1,000 例；数据托管于 HuggingFace openai/healthbench（MIT）与 GitHub openai/simple-evals 46

基因组学与多组学蛋白质组学变异与注释知识图谱药物发现与化学

ECOD — 蛋白质结构域演化分类数据库，PDB 与 AlphaFold 结构的同源层级体系

原始数据知识库公开数据无（非患者数据集）——覆盖对象为蛋白结构：317,021 域（v22b, 2013）→ 898,379 域（develop285）→ 超 1.8M 域（NAR 2025，PDB+AFDB）

ECOD（Evolutionary Classification of Protein Domains）把 PDB 实验结构与 AlphaFold 预测结构中的蛋白结构域按演化同源关系组织成 Architecture/Possible-homology/Homology/Topology/Family 五级层级，以同源优先于拓扑、每周跟随 PDB 发布更新的独特定位，编录超 180 万个结构域，成为区分 CATH/SCOP 结构分类的关键互补资源

PDB 实验测定结构（每周释放同步分类，每条结构发布后一周内完成）+ AlphaFold Database 预测结构（48 whole proteomes 全蛋白组 + Swiss-Prot 542,378 蛋白，DPAM 解析分配）；分类参考同源关系由序列（BLAST/HHsearch）与结构（DaliLite）双管线叠加人工审编确定 24

基因组学与多组学变异与注释蛋白质组学知识图谱评测基准

CATH-Gene3D — 蛋白质结构域层级分类数据库

原始数据注释数据结构化数据非患者数据集；规模以蛋白域计——CATH v4.4 含 601,493 个实验测定域条目、151 million 蛋白域（含 Gene3D 预测）、6,573 个超家族、150,885 个已注释 PD

UCL Orengo 组自 1990 年代维护的蛋白结构域分类体系：按 Class/Architecture/Topology/Homologous superfamily 四级层级分类 15 万 PDB 结构、1.51 亿蛋白域，融合 AlphaFold 预测打造 TED 与 6,573 个超家族——与 SCOP/ECOD 并列的三大结构分类资源之一

Protein Data Bank（实验测定蛋白结构，分辨率<4.0Å 晶体 + NMR）+ AlphaFold Protein Structure Database（预测结构，经 TED 资源）+ UniProtKB/Ensembl（序列注释，Gene3D HMM 扫描） 31